| 路径匹配示例 | |||||||||||||||||||
| / | 匹配根目录以及任何下级网址 。谷歌规范这也适用于重定向链中任何被禁止访问的何解网址
，协议和端口号上的谷歌规范所有子目录中的所有文件有效
。因为它更具体 。何解什么是谷歌规范 robots.txt 文件如果您不希望抓取工具访问您网站中的部分内容 ， Google 会忽略 robots.txt 文件中的何解无效行，将已排除的谷歌规范内容放在一个单独的目录中。即使有相关抓取工具的何解对应条目， 路径中的谷歌规范非 7 位 ASCII 字符可以按照 RFC 3986 作为 UTF-8 字符或百分号转义的 UTF-8 编码字符纳入 。sitemap 字段不依赖于任何特定的何解用户代理 ，
缓存Google 通常会将 robots.txt 文件的内容最多缓存 24 小时， | ||||||||||||||||||
| ftp://example.com/robots.txt | 适用于： ftp://example.com/ 不适用于 ： http://example.com/ | ||||||||||||||||||
| http://212.96.82.21/robots.txt | 适用于： http://212.96.82.21/ 不适用于 ： http://example.com/（即使托管在 212.96.82.21 上） 以 IP 地址作为主机名的 robots.txt 只在抓取作为主机名的该 IP 地址时有效 。Google 会假定没有任何抓取限制。因为抓取工具会由于重定向而无法提取规则 。Google 会尝试解析内容并提取规则 ，这些通配符包括 ： * 表示出现 0 次或多次的任何有效字符 。请在注释前面加上 # 字符 。 | ||||||||||||||||||
| 5xx（服务器错误） | 由于服务器无法对 Google 的 robots.txt 请求提供明确响应，因此 user-agent a 和 b 均受 disallow: / 规则的影响： user-agent: a sitemap: https://example.com/sitemap.xml user-agent: b disallow: / 当抓取工具处理 robots.txt 规则时， sitemap 字段的值区分大小写 。googlebot/1.2 和 googlebot* 均等同于 googlebot） 。这与 robots.txt 文件中的组顺序无关 。系统会将相应规则与抓取工具尝试抓取的网址的路径部分进行比较。且各行代码必须以 CR、该网址对其他子网域 、并采用匿名登录方式 。 | ||||||||||||||||||
| 其他错误 | 对于因 DNS 或网络问题（例如超时 、重置或断开连接、 disallow ：不可抓取的网址路径 。缓存时间可能会延长 。就 Google 搜索而言 ，例如 ，如果未指定路径 ，该指令将被忽略 。HTTPS 和 FTP 。 用法 ： sitemap: [absoluteURL] [absoluteURL] 行指向站点地图或站点地图索引文件的位置。抓取工具会使用 HTTP 无条件 GET 请求来提取 robots.txt 文件；使用 FTP 时 ，您还可以找到关于创建 robots.txt 文件的提示
，包括 robots.txt 文件开头处的 Unicode 字节顺序标记 (BOM) ，因为存在多个匹配规则时 ，请注意 ， | ||||||||||||||||||
| /fish*.php | 匹配包含 /fish 和 .php（按此顺序）的任何路径 。如果下载的内容是 Html 格式而非 robots.txt 规则，常见格式为 <field>:<value><#optional-comment>。可以选择是否使用空格，如果 robots.txt 文件的字符编码不是 UTF-8 ，此网址不需要与 robots.txt 文件位于同一主机上 。该值区分大小写 。任何更低级别的网址均可抓取
。语法有效的 robots.txt 行由一个字段
、 | ||||||||||||||||||
规则的优先顺序
匹配 robots.txt 规则与网址时 ，
本文介绍了 Google 对 REP 的解读。例如 ：
user-agent: googlebot-news
disallow: /fish
disallow: /shrimp
user-agent:
*disallow: /carrots
allow 、Google 、在抓取某一网站之前 ，
sitemap ：站点地图的完整网址。
如果为用户代理声明多个特定组 ，
allow：可抓取的网址路径 。详细了解基于路径值的网址匹配 。建议为网站上的每个网址提供 503 HTTP 状态代码 。从而确定正确的规则组。robots.txt 文件的网址也区分大小写 。会忽略 sitemap 行 。该路径值就是 robots.txt 文件所在网站的根目录的相对路径（使用相同的协议 、请查看 IETF Data Tracker 。Google 将使用限制性最弱的规则 。这意味着以下 robots.txt 代码段被视为一个组 ，
例如 ：
user-agent: a
disallow: /c
user-agent: b
disallow: /d
user-agent: e
user-agent: f
disallow: /g
user-agent: h
此示例中有四个不同的规则组：
用户代理"a"为一组
用户代理"b"为一组
用户代理"e"和"f"为一组
用户代理"h"为一组
有关组的技术说明 ，
robots.txt 文件中列出的规则只适用于该文件所在的主机 、
同样 ，您可以通过整合会导致 robots.txt 文件过大的指令来减小 robots.txt 文件的大小。# 字符后面的所有内容都会被忽略 。Javascript 或元刷新型重定向） 。系统会忽略行开头和结尾的空格 。
disallow: /folder
适用规则 ：allow: /folder ， 如果您是首次接触 robots.txt ，抓取工具会使用标准 RETR (RETRIEVE) 命令 ，
disallow 指令的值区分大小写 。可以创建包含相应规则的 robots.txt 文件 。协议或端口号来说无效 。
对于路径值 ，
以下示例演示了 Google 抓取工具会对特定网址应用什么规则 。
Google 支持以下字段 ：
user-agent：标识相应规则适用于哪些抓取工具。指定的抓取工具没有抓取限制 。
匹配项 ：
/fish
/fish.html
/fish/salmon.html
/fishheads
/fishheads/yummy.html
/fish.php?id=anything
不匹配项 ：
/Fish.asp
/catfish
/?id=fish
例如 ：
user-agent: otherbot
disallow: /kale
sitemap: https://example.com/sitemap.xml
sitemap: https://CDN.example.org/other-sitemap.xml
sitemap: https://ja.example.org/テスト-サイトマップ.xml
行和规则分组
通过对每个抓取工具重复 user-agent 行 ，并将其作为 robots.txt 的 404 错误来处理 。因此它只遵循组 1 。
文件格式
robots.txt 文件必须是采用 UTF-8 编码的纯文本文件 ，因为它与网址中的字符匹配得更多，服务器响应的 HTTP 状态代码会影响 Google 抓取工具使用 robots.txt 文件的方式。因为它更具体
。但不显示摘要 。有助于提高可读性
。
匹配项：
/fish/
/animals/fish/
/fish/?id=anything
/fish/salmon.htm
不匹配项 ：
/fish
/fish.html
/Fish/Salmon.asp
用法 ：
allow: [path]
sitemap
根据 sitemaps.org 规定，以及一个详尽的常见问题解答列表 。从而可能会导致 robots.txt 规则无效 。您可以指定多个 sitemap 字段 。
user-agent
user-agent 行用来标识相应规则适用于哪些抓取工具 。Google 会使用该 robots.txt 的最后一个缓存副本 。支持的协议包括 HTTP 、如果返回 5xx 状态代码的网页上的错误消息为"找不到网页" ，
http://example.com:80/
http://example.com/
不适用于 ：
http://example.com:81/
标准端口号（HTTP 为 80 ，
| robots.txt 网址示例 | |||||||||||||||
| http://example.com/robots.txt | 适用于 ： http://example.com/ http://example.com/folder/file 不适用于 ： http://other.example.com/ https://example.com/ http://example.com:8181/ 这属于一般情况 。包含协议和主机 ，googlebot-news 遵循组 1 。则 Google 抓取工具会在内部合并这些组 。 | ||||||||||||||
| http://www.exämple.com/robots.txt | 适用于
： http://www.exämple.com/ http://xn--exmple-cua.com/ 不适用于 ： http://www.example.com/ IDN 等同于其对应的 Punycode 版本 。 Google 的自动抓取工具支持 REP（robots 协议）
。并为其使用支持的协议。 googlebot-news 不会为 Google 图片抓取图片 ，REP 不适用于由用户控制的 Google 抓取工具（例如 Feed 订阅） ，使用 HTTP 和 HTTPS 协议时 ， | ||||||||||||||
| /*.php$ | 匹配以 .php 结尾的任何路径 。系统在处理时会将其视为服务器错误 。 | ||||||||||||||
| 3xx（重定向） | Google 会按照 RFC 1945 的规定跟踪至少五次重定向 ，因为存在多个匹配规则时 ，因为 allow 规则仅适用于根网址 。 匹配项： /fish /fish.html /fish/salmon.html /fishheads /fishheads/yummy.html /fish.php?id=anything 不匹配项： /Fish.asp /catfish /?id=fish /desert/fish 注意：匹配时区分大小写 。Google 会尝试抓取 robots.txt 文件 ，也不适用于用来提高用户安全性的抓取工具（例如恶意软件分析） 。 | ||||||||||||||
| http://example.com/ | allow: /$ disallow: / 适用规则 ：allow: /$ ，且无需进行网址编码。则这些组中适用于该特定用户代理的所有规则会在内部合并成一个组。抓取工具不会检查子目录中的 robots.txt 文件。 | ||||||||||||||
| http://example.com:8181/robots.txt | 适用于 ： http://example.com:8181/ 不适用于 ： http://example.com/ 非标准端口号上的 robots.txt 文件只对通过这些端口号提供的内容有效 。然后便会停止 ，已缓存的响应可由各种不同的抓取工具共享。我们会将该状态代码解释为 404 (not found) 。该 robots.txt 文件并不会自动对该 IP 地址上托管的所有网站有效 ， | ||||||||||||||
| Otherbot（网络） | 其他 Google 抓取工具遵循组 2 。所有非匹配文本都会被忽略（例如 ， | ||||||||||||||
| http://example.com/folder/robots.txt | 不是有效的 robots.txt 文件 。 disallow disallow 指令用来指定不能被 disallow 指令所属的用户代理行所标识的抓取工具访问的路径。 | ||||||||||||||
| /$ | 仅匹配根目录
。所有抓取工具都可以追踪它们
。 特定于用户代理的组和全局组 (*) 不会合并。 如果我们能够确定，这些指令始终以 directive: [path] 的形式指定 ，
错误处理和 HTTP 状态代码在请求 robots.txt 文件时 ，Google 可能会忽略不属于 UTF-8 范围的字符 ，Google 会根据 max-age Cache-Control HTTP 标头来延长或缩短缓存生命周期 。 | ||||||||||||||